Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Dadej, Mateusz" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Agent‐based modelling of macroeconomic shocks in a banking sector
    Autorzy:
    Dadej, Mateusz
    Powiązania:
    https://bibliotekanauki.pl/articles/518023.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Gdański. Wydział Ekonomiczny
    Tematy:
    macroeconomics
    banking sector
    agent‐based modelling
    macroeconomic shocks
    computational economics
    Opis:
    This paper presents an agent‐based model of banking sector, which includes three kinds of heterogenous agents – households, borrowers and banks. Households provide funds to the banking sector via deposits and are changing their bank of choice stochastically. Borrowers are main source of demand for liquidity in this system, which they utilize for a risky undertaking, that may not succeed, thus defaulting on a loan. And finally banks act as an intermediary between two previous agents and manage their simple balance sheet. Agents interact with each other, establishing a time‐varying equilibrium, that is able to receive an endogenous macroeconomic shock and return to the equilibrium, which may not be in the same place or may exhibit different characteristics depending on type of the shock. The simulation introduces shocks to the three variables, namely minimal reserve ratio, probability of default and capital adequacy ratio. The work also compares drawbacks and advantages of agent‐based models to the commonly used equation‐based models, such as dynamic stochastic general equilibrium models.
    Źródło:
    Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”; 2020, 10; 9-22
    1731-6707
    Pojawia się w:
    Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of ensemble gradient boosting decision trees to forecast stock price on WSE
    Autorzy:
    Dadej, Mateusz
    Powiązania:
    https://bibliotekanauki.pl/articles/518035.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Gdański. Wydział Ekonomiczny
    Tematy:
    equity investments
    artificial intelligence
    machine learning
    algorithmic trading strategy
    gradient boosting
    Opis:
    The main purpose of this article is to apply machine learning model based on ensemble of gradient boosted decision trees to forecast direction of share prices of Bank Handlowy S.A listed on WSE. In the introduction, the author presented the context of machine learning and its application in forecasting stock prices. Afterwards, the author describes the process of building classification model which uses XGboost framework from data preprocessing to model evaluation. The input features of the model were technical analysis indicators, like stochastic oscillators or moving averages. Output of the model was a direction of stock price after one week. The accuracy of the model based on testing dataset is 72%. The author also performed a simulation, based on the model. The simulation was made with the Monte Carlo method which stochastic process had a Laplace distribution. During interpretation, at the end, the author pointed limitations of model and algorithmic trading strategy evaluation techniques based on backtest.
    Celem niniejszego artykułu jest wykorzystanie modelu z dziedziny uczenia maszynowego opartego na algorytmie zespołu wzmocnionych gradientowo drzew decyzyjnych do prognozowania kierunku zmian kursu akcji Banku Handlowego S.A. notowanego na GPW. We wstępie został przedstawiony kontekst uczenia maszynowego oraz wykorzystania go do prognozowania cen akcji. Następnie, przedstawiono proces tworzenia modelu klasyfikacyjnego wykorzystujący strukturę XGboost od etapu przetwarzania danych do jego ewaluacji. Danymi wejściowymi modelu były wskaźniki wykorzystywane w analizie technicznej, m.in. oscylatory stochastyczne oraz średnie ruchome, natomiast danymi wyjściowymi były kierunki zmian kursu na przestrzeni następnego tygodnia. Skuteczność modelu na danych testowych wyniosła 72%. Na końcu przeprowadzono symulacje portfela inwestycyjnego, podejmującego decyzje o transakcjach na podstawie wcześniej stworzonego modelu, wykorzystując metodę Monte Carlo w której dynamika procesów stochastycznych miała rozkład Laplace’a. Przy interpretacji wyników portfela inwestycyjnego wskazano ograniczenia ewaluacji modelu i strategii inwestycyjnej opartej o backtest.
    Źródło:
    Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”; 2019, 9; 265-275
    1731-6707
    Pojawia się w:
    Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies